Propensity score adjustment when errors in achievement measures inform treatment assignment
成绩测量误差影响处理分配时的倾向得分调整AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是倾向得分、平衡、匹配估计量与偏差下降，属于因果推断中的处理效应识别与估计，故选因果推断。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
成绩测量误差影响处理分配时的倾向得分调整
- 研究问题
- 摘要称，美国州教育机构依据子群体成绩差距标记需改进学校，但小子群体样本使年终测验均分只能噪声地测量平均“真实”分数，且公开数据常遮蔽小子群体均值；研究问题是在这种测量误差与遮蔽下，如何评估旨在缩小成绩差距的干预。
- 方法与思路
- 作者提出以子群体平均真实分数为平衡目标的倾向得分估计；摘要称该估计在噪声测量不可得时仍可获得，且相比忽略测量误差的做法改善重叠，从而更大程度降低匹配估计量的偏差；并用模拟和得克萨斯州 statewide 暑期学习损失干预应用演示。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出针对子群体平均真实分数实现平衡的倾向得分估计，说明其在噪声测量缺失时可用、重叠优于忽略测量误差的方法，并带来匹配估计量更大的偏差下降；通过模拟与得州应用加以展示。
- 阅读关注点
- 读全文时应核对：真实分数的识别假设与测量误差结构如何设定；倾向得分在测量不可得时如何构造；重叠改善与偏差下降的推导条件；模拟设计是否贴近教育数据；得州应用的处理定义、样本与结果是否支持摘要说法。
- 阅读边界
- 仅凭摘要无法判断识别假设是否成立、估计量的一致性与渐近性质、模拟与实证的具体数值结果，也无法评估与既有方法的全面比较；摘要未说明数据来源细节、样本量与置信区间。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
U.S. state education agencies mark schools displaying achievement gaps between demographic subgroups as needing improvement. Some schools may have few students in these subgroups, such that average end-of-year test scores only noisily measure the average "true" score-the score one would expect if students took the test many times. This, in addition to the masking of small subgroup averages in publicly available assessment data, poses challenges for evaluating interventions aimed at closing achievement gaps. We introduce propensity score estimates designed to achieve balance on subgroup average true scores. These estimates are available even when noisy measurements are not and improve overlap compared to those that ignore measurement error, leading to greater bias reduction of matching estimators. We demonstrate our methods through simulation and an application to a statewide initiative in Texas for curbing summer learning loss.